Share via

One-vs-All-Multiklasse

  • Artikel

Wichtig

Der Support für Machine Learning Studio (klassisch) endet am 31. August 2024. Es wird empfohlen, bis zu diesem Datum auf Azure Machine Learning umzustellen.

Ab dem 1. Dezember 2021 können Sie keine neuen Ressourcen in Machine Learning Studio (klassisch) mehr erstellen. Bis zum 31. August 2024 können Sie die vorhandenen Ressourcen in Machine Learning Studio (klassisch) weiterhin verwenden.

Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.

Erstellt ein mehrklassiges Klassifizierungsmodell aus einem Ensemble von binären Klassifizierungsmodellen

Kategorie: Machine Learning/Modell initialisieren/Klassifizierung

Hinweis

Gilt nur für: Machine Learning Studio (klassisch)

Ähnliche Drag & Drop-Module sind im Azure Machine Learning-Designer verfügbar.

Modulübersicht

In diesem Artikel wird beschrieben, wie Sie das Modul One-Vs-All Multiclass in Machine Learning Studio (klassisch) verwenden, um ein Klassifizierungsmodell zu erstellen, das mehrere Klassen mithilfe des Ansatzes "Eins im Vergleich zu allen" vorhersagen kann.

Dieses Modul ist nützlich zum Erstellen von Modellen, mit denen drei oder mehr mögliche Ergebnisse vorhergesagt werden, wenn das Ergebnis von kontinuierlichen oder kategorialen Vorhersagevariablen abhängt. Mit dieser Methode können Sie auch Binärklassifizierungsmethoden für Probleme verwenden, die mehrere Ausgabeklassen erfordern.

Weitere Informationen zu One-vs.All-Modellen

Während einige Klassifizierungsalgorithmen so gestaltet sind, dass sie die Verwendung von mehr als zwei Klassen gestatten, sind in anderen die möglichen Ergebnisse auf einen von zwei Werten beschränkt (ein binäres oder Zweiklassenmodell). Allerdings gibt es auch für Binärklassifizierungsalgorithmen verschiedene Strategien, um sie an Multiklassen-Klassifizierungsaufgaben anzupassen.

Dieses Modul implementiert die Methode One-vs-All, in der für jede Ausgabeklasse ein binäres Modell erstellt wird. Jedes dieser binären Modelle für die einzelnen Klassen wird gegen sein Komplement (alle anderen Klassen im Modell) bewertet, als wäre es ein Binärklassifizierungsproblem. Die Vorhersage wird dann durchgeführt, indem diese binären Klassifikator ausgeführt werden und die Vorhersage ausgewählt wird, die den höchsten Vertrauenswert hat.

Im Wesentlichen wird eine Zusammenstellung einzelner Modelle erstellt, und die Ergebnisse werden dann zusammengeführt, um ein einziges Modell zu erstellen, das alle Klassen vorhersagt. Daher kann jeder binäre Klassifikator als Grundlage für ein One-vs-All-Modell verwendet werden.

Angenommen, Sie konfigurieren ein Two-Class Support Vector Machine-Modell und stellen es als Eingabe für das Modul One-Vs-All Multiclass bereit. Das Modul erstellt dann Two-Class Support Vector Machine-Modelle für alle Elemente der Ausgabeklasse und wendet danach die One-vs-All-Methode an, um die Ergebnisse für alle Klassen zu kombinieren.

Konfigurieren des One-vs-All-Klassifikators

Dieses Modul erstellt eine Zusammenstellung von Binärklassifizierungsmodellen, um mehrere Klassen zu analysieren. Daher müssen Sie, damit Sie dieses Modul verwenden können, zunächst ein Binärklassifizierung-Modell konfigurieren und trainieren.

Anschließend verbinden Sie das binäre Modell mit dem Modul One-Vs-All Multiclass und trainieren das Modellensemble mithilfe von Train Model mit einem bezeichneten Trainingsdataset.

Wenn Sie die Modelle kombinieren, obwohl das Trainingsdataset möglicherweise mehrere Klassenwerte enthält, erstellt die One-Vs-All Multi-Klasse mehrere binäre Klassifizierungsmodelle, optimiert den Algorithmus für jede Klasse und führt dann die Modelle zusammen.

  1. Fügen Sie Ihrem Experiment in Studio (klassisch) die One-Vs-All-Multiklasse hinzu. Sie finden dieses Modul unter Machine Learning – Initialisieren in der Kategorie Klassifizierung.

    Der One-Vs-All Multiclass-Klassifizierer verfügt über keine eigenen konfigurierbaren Parameter. Alle Anpassungen müssen im Binärklassifizierungsmodell vorgenommen werden, das als Eingabe bereitgestellt wird.

  2. Fügen Sie dem Experiment ein binäres Klassifizierungsmodell hinzu, und konfigurieren Sie dieses Modell. Sie könnten z. B. Two-Class Support Vector Machine oder Two-Class Boosted Decision Tree verwenden.

    Wenn Sie Hilfe bei der Auswahl des richtigen Algorithmus benötigen, sehen Sie sich die folgenden Ressourcen an:

  3. Fügen Sie Ihrem Experiment das Modul Train Model hinzu, und verbinden Sie den untrainierten Klassifizierer, der die Ausgabe von One-Vs-All Multiclass ist.

  4. Verbinden Sie die andere Eingabe von Train Model- mit einem bezeichneten Trainingsdataset, das mehrere Klassenwerte hat.

  5. Führen Sie das Experiment aus, oder wählen Sie Train Model (Modus trainieren) aus, und klicken Sie auf Run Selected (Ausgewählte ausführen).

Ergebnisse

Nachdem das Training abgeschlossen ist, können Sie das Modell verwenden, um Multiklassenvorhersagen zu treffen.

Alternativ können Sie den untrainierten Klassifikator an Cross-Validate Model übergeben, um eine Kreuzvalidierung bezüglich eines bezeichneten Validierungsdatasets auszuführen.

Beispiele

Beispiele für die Verwendung dieses Lernalgorithmus finden Sie im Azure KI-Katalog:

Erwartete Eingaben

Name Type Beschreibung
Untrainiertes, binäres Klassifizierungsmodell ILearner-Schnittstelle Ein untrainiertes binäres Klassifizierungsmodell

Ausgaben

Name Type BESCHREIBUNG
Untrainiertes Modell ILearner-Schnittstelle Ein untrainiertes mehrklassiges Klassifizierungsmodell

Ausnahmen

Ausnahme Beschreibung
Fehler 0013 Eine Ausnahme tritt auf, wenn nicht der richtige Typ des Lernmoduls an das Modul weitergeleitet wird.

Eine Liste der Fehler, die für Studio-Module (klassisch) spezifisch sind, finden Sie unter Machine Learning Fehlercodes.

Eine Liste der API-Ausnahmen finden Sie unter Machine Learning REST-API-Fehlercodes.

Siehe auch

Klassifizierung